python爬虫爬取汽车页面信息，并附带分析（静态爬虫）

环境：

windows，python3.4

参考链接：

https://blog.csdn.net/weixin_36604953/article/details/78156605

代码：（亲测可以运行）

 import requests
 from bs4 import BeautifulSoup
 import re
 import random
 import time

 # 爬虫主函数
 def mm(url):
     # 设置目标url，使用requests创建请求
     header = {
         "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}
     req0 = requests.get(url=url, headers=header)
     req0.encoding = "gb18030"  # 解决乱码问题
     html0 = req0.text

     # 使用BeautifulSoup创建html代码的BeautifulSoup实例，存为soup0
     soup0 = BeautifulSoup(html0, "html.parser")

     # 获取最后一页数字，对应-122（对照前一小节获取尾页的内容看你就明白了）
     total_page = int(soup0.find("div", class_="pagers").findAll("a")[-2].get_text())
     myfile = open("aika_qc_gn_1_1_1.txt", "a", encoding='gb18030', errors='ignore')  # 解决乱码问题
     print("user", " 来源", " 认为有用人数", " 类型", " comment")
     NAME = "user" + " 来源" + " 认为有用人数" + " 类型" + " comment"
     myfile.write(NAME + "\n")
     for i in list(range(1, total_page + 1)):
         # 设置随机暂停时间
         stop = random.uniform(1, 3)

         url = "http://newcar.xcar.com.cn/257/review/0/0_" + str(i) + ".htm"
         req = requests.get(url=url, headers=header)
         req.encoding = "gb18030"  # 解决乱码问题
         html = req.text

         soup = BeautifulSoup(html, "html.parser")
         contents = soup.find('div', class_="review_comments").findAll("dl")
         l = len(contents)
         for content in contents:
             tiaoshu = contents.index(content)
             try:
                 ss = "正在爬取第%d页的第%d的评论，网址为%s" % (i, tiaoshu + 1, url)
                 print(ss)  # 正在爬取的条数
                 try:

                     # 点评角度
                     comment_jiaodu = content.find("dt").find("em").find("a").get_text().strip().replace("\n",
                                                                                                         "").replace(
                         "\t", "").replace("\r", "")
                 except:
                     comment_jiaodu = "sunny"
                 try:

                     # 点评类型
                     comment_type0 = content.find("dt").get_text().strip().replace("\n", "").replace("\t", "").replace(
                         "\r",
                         "")
                     comment_type1 = comment_type0.split("【")[1]
                     comment_type = comment_type1.split("】")[0]
                 except:
                     comment_type = "sunny"

                 # 认为该条评价有用的人数
                 try:
                     useful = int(
                         content.find("dd").find("div", class_="useful").find("i").find(
                             "span").get_text().strip().replace(
                             "\n", "").replace("\t", "").replace("\r", ""))
                 except:
                     useful = "sunny"

                 # 评论来源
                 try:
                     comment_region = content.find("dd").find("p").find("a").get_text().strip().replace("\n",
                                                                                                        "").replace(
                         "\t", "").replace("\r", "")
                 except:
                     comment_region = "sunny"

                 # 评论者名称
                 try:
                     user = \
                         content.find("dd").find("p").get_text().strip().replace("\n", "").replace("\t", "").replace(
                             "\r",
                             "").split(
                             "：")[-1]
                 except:
                     user = "sunny"

                 # 评论内容
                 try:
                     comment_url = content.find('dt').findAll('a')[-1]['href']
                     urlc = comment_url
                     headerc = {
                         "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}
                     reqc = requests.get(urlc, headers=headerc)
                     htmlc = reqc.text
                     soupc = BeautifulSoup(htmlc, "html.parser")

                     comment0 = \
                         soupc.find('div', id='mainNew').find('div', class_='maintable').findAll('form')[1].find('table',
                                                                                                                 class_='t_msg').findAll(
                             'tr')[1]
                     try:
                         comment = comment0.find('font').get_text().strip().replace("\n", "").replace("\t", "")
                     except:
                         comment = "sunny"
                     try:
                         comment_time = soupc.find('div', id='mainNew').find('div', class_='maintable').findAll('form')[
                                            1].find('table', class_='t_msg').find('div',
                                                                                  style='padding-top: 4px;float:left').get_text().strip().replace(
                             "\n", "").replace(
                             "\t", "")[4:]
                     except:
                         comment_time = "sunny"
                 except:
                     try:
                         comment = \
                             content.find("dd").get_text().split("\n")[-1].split('\r')[-1].strip().replace("\n",
                                                                                                           "").replace(
                                 "\t", "").replace("\r", "").split("：")[-1]
                     except:
                         comment = "sunny"

                 time.sleep(stop)
                 print(user, comment_region, useful, comment_type, comment)

                 tt = user + " " + comment_region + " " + str(useful) + " " + comment_type + " " + comment
                 myfile.write(tt + "\n")
             except Exception as e:
                 print(e)
                 s = "爬取第%d页的第%d的评论失败，网址为%s" % (i, tiaoshu + 1, url)
                 print(s)
                 pass
     myfile.close()

 # 统计评论分布
 def fenxi():
     myfile = open("aika_qc_gn_1_1_1.txt", "r")
     good = 0
     middle = 0
     bad = 0
     nn = 0
     for line in myfile:
         commit = line.split(" ")[3]
         if commit == "好评":
             good = good + 1
         elif commit == "中评":
             middle = middle + 1
         elif commit == "差评":
             bad = bad + 1
         else:
             nn = nn + 1
     count = good + middle + bad + nn
     g = round(good / (count - nn) * 100, 2)
     m = round(middle / (count - nn) * 100, 2)
     b = round(bad / (count - nn) * 100, 2)
     n = round(nn / (count - nn) * 100, 2)
     print("好评占比：", g)
     print("中评占比：", m)
     print("差评占比：", b)
     print ("未评论：", n)

 url = "http://newcar.xcar.com.cn/257/review/0.htm"
 mm(url)
 fenxi()

BeautifulSoup神器

Python一个第三方库bs4中有一个BeautifulSoup库，是用于解析html代码的，换句话说就是可以帮助你更方便的通过标签定位你需要的信息。这里只介绍两个比较关键的方法：

1、find方法和findAll方法： 
首先，BeautifulSoup会先将整个html或者你所指定的html代码编程一个BeautifulSoup对象的实例（不懂对象和实例不要紧，你只要把它当作是一套你使用F12看到的树形html代码代码就好），这个实例可以使用很多方法，最常用的就是find和findAll，二者的功能是相同的，通过find( )的参数，即find( )括号中指定的标签名，属性名，属性值去搜索对应的标签，并获取它，不过find只获取搜索到的第一个标签，而findAll将会获取搜索到的所有符合条件的标签，放入一个迭代器（实际上是将所有符合条件的标签放入一个list），findAll常用于兄弟标签的定位，如刚才定位口碑信息，口碑都在dl标签下，而同一页的10条口碑对应于10个dl标签，这时候用find方法只能获取第一个，而findAll会获取全部的10个标签，存入一个列表，想要获取每个标签的内容，只需对这个列表使用一个for循环遍历一遍即可。

2、get_text()方法： 
使用find获取的内容不仅仅是我们需要的内容，而且包括标签名、属性名、属性值等，比如使用find方法获取"<Y yy='aaa'>xxxx</Y>" 的内容xxxx，使用find后，我们会得到整个"<Y yy='aaa'>xxxx</Y>"，十分冗长，实际我们想要的仅仅是这个标签的内容xxxx，因此，对使用find方法后的对象再使用get_text( )方法，就可以得到标签的内容了，对应到这里，我们通过get_text( )方法就可以得到xxxx了。